AWS 上的 MLOps 工作負載協調器

部署採用受管自動化工具和 ML 服務的穩固管道,以簡化 ML 模型開發與生產

概觀

機器學習營運 (MLOps) 工作負載協調器可精簡 ML 模型部署,並強制執行最佳實務以實現可擴展性、可靠性和效率。此 AWS 解決方案是一種可擴展的架構,具有標準介面,用於管理 AWS ML 和第三方服務的 ML 管道。

此解決方案包括 AWS CloudFormation 範本:此範本可啟用模型訓練、上傳預先訓練的模型 (亦稱為自攜模型或 BYOM)、管道協同運作組態,以及進行管道營運監控。藉由實作此解決方案,您的團隊可提高其敏捷性和效率,並大規模重複成功的程序。

優勢

啟動預先設定的 ML 管道

透過 API 呼叫或 Amazon S3 儲存貯體來初始化預先設定的管道。

自動部署訓練的模型和推論端點

使用 Amazon SageMaker BYOM 來自動化模型監控,並提供具有偏離偵測的無伺服器推論端點。

ML 資源的集中可視性

使用 Amazon SageMaker 模型儀表板來檢視、搜尋和探索由您的所有 Amazon SageMaker 資源,包括模型、端點、模型卡和批次轉換任務。

技術詳細資訊

您可以使用實作指南和隨附的 AWS CloudFormation 範本來自動部署此架構。為了支援多個使用案例和業務需求,該解決方案提供了兩個 AWS CloudFormation 範本:

  1. 使用單一帳戶範本在相同 AWS 帳戶中部署所有解決方案的管道。此選項適用於實驗、開發和/或小規模生產工作負載。
  2. 使用多帳戶範本跨不同的 AWS 帳戶佈建多個環境 (例如,開發、暫存和生產),這可改善管控及提高 ML 管道部署的安全和控制,提供安全的實驗和更快的創新,並保持生產資料和工作負載的安全性和可用性,以協助確保業務持續性。
  • 選項 1 – 單一帳戶部署
  • 選項 2 – 多帳戶部署
案例研究
Cognizant 的 MLOps 模型生命週期協調器利用 AWS 解決方案加快機器學習模型部署,所需時間從幾周縮短到數個小時

透過與 AWS 合作夥伴解決方案架構師及 AWS 解決方案程式庫團隊合作,Cognizant 在 MLOps 工作負載協調器解決方案的基礎上建立了他們的 MLOps 模型生命週期協調器解決方案。

閱讀案例研究 
適用於此 AWS 解決方案的使用案例
Showing results: 1-3
Total results: 3
  • 標題
更多...
關於此部署
Showing results: 1
Total results: 1
  • 發佈日期
    • 版本:2.2.2
    • 發行時間:2024 年 6 月
    • 作者:AWS
    • 預估部署時間:3 分鐘
    • 預估費用請查看詳細資訊
部署選項
準備好開始使用了嗎?
在您的 AWS Console 中啟動以部署此解決方案

需要更多協助嗎? 與合作夥伴合作執行部署。
找到 AWS 認證的第三方專家以協助此部署

本頁面對您是否有幫助?